|
Inteligencia artificial generativa y escritura académica en la educación superior: revisión integrativa de sus implicaciones pedagógicas, éticas y evaluativas
Generative artificial intelligence and academic writing in higher education: an integrative review of its pedagogical, ethical, and evaluative implications
https://doi.org/10.47606/ACVEN/PH0487
|
|
José Eugenio Chafloque-Capuñay1* Marcela
Beatriz Uría-Sánchez2 Eduardo Abrahan Gonzales-Velásquez3 Arnulfo Borges-Huanca4 https://orcid.org/0000-0003-1767-0089 https://orcid.org/0009-0003-7087-2349 egonzalesve62@ucvvirtual.edu.pe borges.arnulfo@usfx.bo Abel Marocho-Rojas5 Yovert Edwin Ussa-Lopez6 https://orcid.org/0009-0003-3224-5045 https://orcid.org/0009-0004-1529-7297 43332478@caen.edu.pe yovert2102@gmail.com |
|
Recibido: 25/01/2026 Aceptado: 14/04/2026 |
RESUMEN
La incorporación de la inteligencia artificial generativa en la educación superior ha transformado de manera acelerada las prácticas de escritura académica, abriendo oportunidades pedagógicas, pero también desafíos éticos y evaluativos. En este contexto, el objetivo de este estudio es presentar una revisión integrativa de la literatura con síntesis temática de orientación crítica para analizar cómo la investigación reciente aborda las implicaciones pedagógicas, éticas y evaluativas del uso de estas herramientas en la escritura académica universitaria. La búsqueda se realizó en Scopus, ERIC y SciELO, considerando publicaciones en español, inglés y portugués entre 2022 y marzo de 2026. Tras el proceso de selección, se conformó un corpus de 21 estudios. El análisis permitió identificar cuatro ejes principales: integración pedagógica de la IA generativa, agencia estudiantil y literacidad crítica, ética, autoría y transparencia académica, y evaluación en contextos mediados por IA. La evidencia revisada sugiere que estas tecnologías pueden ampliar apoyos para la planificación, revisión y retroalimentación de textos, pero también plantean riesgos asociados con la dependencia instrumental, la debilitación de la voz autoral y la opacidad en los procesos de producción académica. Se concluye que su integración en la escritura universitaria requiere enfoques pedagógicos explícitos, criterios éticos claros y modelos de evaluación centrados en el proceso, la trazabilidad y la autoría reflexiva.
Palabras clave: inteligencia artificial generativa; escritura académica; educación superior; literacidad crítica; evaluación académica.
1. Universidad Nacional Pedro Ruíz Gallo-Perú
2. Universidad Nacional Federico Villarreal-Perú
3. Universidad Cesar Vallejo- Perú
4. Universidad San Francisco Xavier- Bolivia
5. CAEN-EPG- Perú
6. Investigador Independiente- Colombia
Autor de correspondencia: jose.chafloque@unprg.edu.pe
ABSTRACT
The incorporation of generative artificial intelligence into higher education has rapidly transformed academic writing practices, creating pedagogical opportunities as well as ethical and assessment-related challenges. In this context, the aim of this article is to present an integrative literature review based on a critically oriented thematic synthesis in order to analyze how recent research addresses the pedagogical, ethical, and evaluative implications of using these tools in university academic writing. The search was conducted in Scopus, ERIC, and SciELO, considering publications in Spanish, English, and Portuguese published between 2022 and March 2026. After the selection process, a corpus of 21 studies was established. The analysis identified four main axes: pedagogical integration of generative AI, student agency and critical literacy, ethics, authorship and academic transparency, and assessment in AI-mediated contexts. The reviewed evidence suggests that these technologies can expand support for text planning, revision, and feedback, but they also raise risks related to instrumental dependence, weakening of authorial voice, and opacity in academic production processes. It is concluded that their integration into university writing requires explicit pedagogical approaches, clear ethical criteria, and assessment models focused on process, traceability, and reflective authorship.
Keywords: generative artificial intelligence; academic writing; higher education; critical literacy; academic assessment.
INTRODUCCIÓN
La irrupción de la inteligencia artificial generativa en la educación superior ha reconfigurado de manera acelerada las prácticas de producción de textos académicos. En particular, la expansión de herramientas conversacionales basadas en IA ha intensificado su uso como apoyo para la planificación, reformulación, edición y evaluación de escritos universitarios (Deep & Chen, 2025; Mohammadi et al., 2026). Esta transformación resulta especialmente significativa porque la escritura académica no solo cumple una función comunicativa, sino que también constituye una práctica epistémica mediante la cual el estudiantado aprende, argumenta, construye identidad disciplinar y participa en comunidades de conocimiento (Moorhouse et al., 2025; Stofiana et al., 2025). En el ámbito iberoamericano, además, este debate ha comenzado a adquirir un desarrollo propio, vinculado con las prácticas letradas universitarias y con los desafíos institucionales y pedagógicos asociados a la transformación digital de la educación superior (Cassany, 2024; Sánchez-Mendiola & Carbajal-Degante, 2023).
La literatura reciente muestra que la IA generativa puede ofrecer apoyos relevantes para la escritura universitaria, especialmente en tareas como la organización textual, la precisión lingüística, la revisión de borradores y la generación de retroalimentación inmediata, sobre todo cuando su incorporación se produce en contextos de acompañamiento docente y con propósitos formativos explícitos (Kawinkoonlasate, 2025; Li & Collins, 2026; Lo et al., 2026; Yang et al., 2025).
Sin embargo, estos beneficios no se derivan automáticamente de la sola disponibilidad tecnológica. Cuando su uso carece de orientación pedagógica, la IA puede propiciar relaciones instrumentales con la escritura, dependencia cognitiva y aceptación acrítica de sugerencias algorítmicas, con efectos potenciales sobre la deliberación intelectual, la construcción de voz autoral y la comprensión del proceso escritural (Deep & Chen, 2025; Moorhouse et al., 2025; Palacios-Núñez et al., 2025; Yan et al., 2025). Desde esta perspectiva, el problema ya no consiste únicamente en determinar si la IA mejora la corrección formal de los textos, sino en establecer si favorece formas de escritura más reflexivas, críticas y formativas (Cassany, 2024; Lee & Low, 2024).
A estas transformaciones se suman interrogantes éticos y evaluativos que exceden la discusión tradicional sobre plagio. En la actualidad, el debate involucra cuestiones vinculadas con la autoría distribuida, la transparencia en el uso de herramientas algorítmicas, la responsabilidad intelectual sobre el texto final y la validez de evaluaciones centradas exclusivamente en el producto escrito (Al Hosni, 2025; Oliveira et al., 2025; Singh et al., 2026; Smit et al., 2025; Wu et al., 2026). En el contexto latinoamericano, estas tensiones adquieren una relevancia particular debido a las brechas de acceso, la heterogeneidad en la formación docente y la necesidad de marcos institucionales más claros para orientar el uso académico de la IA en la universidad (Sánchez et al., 2025).
A pesar del crecimiento acelerado del campo, la investigación disponible continúa mostrando una fragmentación importante. Predominan estudios centrados en la aceptación tecnológica, el feedback automatizado, la percepción estudiantil, la integridad académica o la evaluación, pero estas dimensiones suelen examinarse por separado y desde marcos conceptuales heterogéneos, lo que dificulta comprender cómo se articulan en la experiencia concreta de escribir en la educación superior (McGrath et al., 2025; Xia et al., 2024). Incluso las revisiones más recientes, aunque han ampliado el panorama sobre lectura, escritura, evaluación o políticas de uso, tienden a privilegiar enfoques parciales o temáticamente segmentados, sin integrar de manera suficiente la relación entre mediación algorítmica, literacidad crítica, autoría académica y formación docente en educación superior (Lee & Low, 2024; McGrath et al., 2025; Sanz-Tejeda et al., 2026). Esta dispersión también se observa en la literatura hispanohablante, donde el debate ha crecido con rapidez, aunque todavía requiere mayor articulación entre escritura académica, pedagogía universitaria, ética del uso de IA y transformación institucional (Sánchez et al., 2025).
En este marco, la principal brecha no radica únicamente en la necesidad de ampliar el número de estudios empíricos, sino en la ausencia de una síntesis integradora que permita comprender la escritura académica con inteligencia artificial generativa no solo como una práctica de asistencia textual, sino como un fenómeno pedagógico, epistemológico y ético que reconfigura los modos de aprender, argumentar, evaluar y asumir la autoría en la educación superior. Por ello, el objetivo de este estudio es presentar una revisión integrativa de la literatura con síntesis temática de orientación crítica sobre inteligencia artificial generativa y escritura académica en educación superior, con el fin de analizar de manera articulada sus principales implicaciones pedagógicas, éticas y evaluativas.
METODOLOGÍA
El estudio se desarrolló mediante una revisión integrativa de la literatura con síntesis temática de orientación crítica, con el propósito de analizar de manera articulada las implicaciones pedagógicas, éticas y evaluativas del uso de la inteligencia artificial generativa en la escritura académica en educación superior. Se optó por este diseño debido a que el campo examinado es reciente, dinámico y metodológicamente heterogéneo, por lo que exige una estrategia capaz de integrar evidencia empírica, revisiones previas y aportes conceptuales dentro de una síntesis analítica consistente. Esta decisión se sustenta en enfoques que entienden la revisión de literatura como una metodología de investigación que requiere procedimientos explícitos de búsqueda, selección, organización, valoración y análisis de la evidencia (Snyder, 2019; Whittemore & Knafl, 2005).
La revisión se orientó por la siguiente pregunta de investigación: ¿cómo aborda la literatura reciente las implicaciones pedagógicas, éticas y evaluativas del uso de la inteligencia artificial generativa en la escritura académica en educación superior?
Estrategia de búsqueda y delimitación del corpus
La búsqueda bibliográfica se realizó el 5 de marzo de 2026 en las bases de datos Scopus, ERIC y SciELO, seleccionadas por su pertinencia para recuperar literatura sobre educación superior, escritura académica, tecnología educativa y producción científica regional e internacional. Scopus se utilizó por su amplia cobertura de literatura indexada internacional; ERIC, por su especialización en investigación educativa; y SciELO, por su relevancia para recuperar producción iberoamericana vinculada con el problema de estudio.
La estrategia de búsqueda se estructuró en dos niveles complementarios. En el primer nivel se combinaron términos referidos a tres núcleos conceptuales obligatorios: (a) inteligencia artificial generativa conversacional, (b) escritura académica y (c) educación superior. En el segundo nivel se incorporaron términos asociados con dimensiones pedagógicas, éticas y evaluativas, con el fin de ampliar la sensibilidad de la búsqueda sin convertir dichas dimensiones en filtros excluyentes. Esta decisión respondió al carácter emergente y terminológicamente inestable del campo, en el que no todos los estudios relevantes emplean los mismos descriptores temáticos. Las ecuaciones específicas utilizadas en cada base de datos se presentan en el Anexo 1.
Se consideraron publicaciones en inglés, español y portugués, publicadas entre 2022 y marzo de 2026. La búsqueda recuperó 295 registros en total: Scopus (n = 173), ERIC (n = 103) y SciELO (n = 19). Las búsquedas principales y complementarias fueron combinadas dentro de cada base de datos y, debido al solapamiento entre resultados, el número final reportado por base corresponde al conjunto depurado de registros únicos recuperados en cada una. Esta decisión metodológica permitió ampliar la cobertura del fenómeno sin comprometer la especificidad conceptual del estudio.
Se incluyeron estudios que abordaran de manera directa el uso, impacto, oportunidades, riesgos o implicaciones de la inteligencia artificial generativa en la escritura académica en educación superior, incluyendo dimensiones como retroalimentación, evaluación, autoría, ética e integridad académica. Se admitieron estudios empíricos, revisiones y trabajos teóricos publicados en revistas académicas.
Se excluyeron: a) registros duplicados; b) documentos sin acceso a texto completo; c) publicaciones centradas en niveles educativos distintos de la educación superior; d) estudios sobre inteligencia artificial no vinculados específicamente con escritura académica; y e) textos con base metodológica o analítica insuficiente para contribuir de manera sustantiva a la pregunta de investigación.
Durante la revisión a texto completo, las exclusiones se organizaron en cuatro categorías operativas: fuera del alcance temático de la relación entre IA, escritura académica y educación superior (n = 29); sin alineación directa con la pregunta de investigación (n = 23); base metodológica o analítica insuficiente (n = 9); y foco en contextos no universitarios (n = 13). Esta explicitación buscó fortalecer la transparencia y la consistencia del proceso de selección.
El proceso de selección se desarrolló en las etapas de identificación, depuración, cribado, elegibilidad e inclusión. En la búsqueda inicial se recuperaron 295 registros. Luego de eliminar 23 duplicados, quedaron 272 documentos únicos para la fase de cribado por título y resumen. En esta etapa se excluyeron 177 registros. Posteriormente, se evaluaron 95 textos a texto completo. Finalmente, 21 estudios cumplieron los criterios establecidos y conformaron el corpus analítico de la revisión.
La revisión de títulos, resúmenes y textos completos fue realizada de manera independiente por dos investigadores. Las discrepancias se resolvieron mediante discusión y, cuando fue necesario, con la participación de un tercer evaluador. Para fines de trazabilidad, el proceso de búsqueda y selección se documentó mediante un diagrama adaptado de PRISMA, utilizado exclusivamente como guía de reporte del flujo de identificación y selección, sin asumir que el estudio corresponde a una revisión sistemática en sentido estricto (Chigbu et al., 2023; Chafloque-Capuñay et al., 2026).
Dado que la revisión integró estudios metodológicamente heterogéneos, no se aplicó una escala formal de riesgo de sesgo propia de revisiones sistemáticas de diseños homogéneos. No obstante, la inclusión final del corpus se sustentó en una valoración analítica de pertinencia, consistencia temática y suficiencia metodológica en los estudios empíricos, así como en la solidez argumentativa y conceptual de los trabajos teóricos y de revisión. Para fortalecer la credibilidad metodológica del proceso, esta valoración se realizó de manera sistemática durante la lectura a texto completo y quedó registrada en la matriz de síntesis elaborada para la revisión.
Para ello se consideró: a) la correspondencia explícita de cada estudio con el objetivo y la pregunta de investigación; b) la claridad del foco temático en torno a escritura académica e inteligencia artificial generativa; c) la suficiencia metodológica o argumentativa del texto para contribuir a la comprensión del fenómeno; y d) su aporte a la diversidad de enfoques presentes en el campo (Snyder, 2019; Whittemore & Knafl, 2005). En este sentido, la inclusión final de los estudios no se basó únicamente en su coincidencia temática, sino en una valoración integral de su utilidad analítica y de su capacidad para sostener una síntesis interpretativa consistente.
Figura 1.
Diagrama adaptado PRISMA para revisión integrativa de literatura
Una vez definido el corpus final, los estudios se organizaron en una matriz de síntesis construida para registrar de manera sistemática la siguiente información: autoría, año de publicación, tipo de estudio, contexto, foco temático y principales hallazgos. Esta matriz permitió comparar los trabajos incluidos, identificar regularidades y reconocer diferencias relevantes en la manera en que la literatura reciente aborda la relación entre inteligencia artificial generativa y escritura académica en educación superior. La matriz detallada del corpus se presenta en el Anexo 2.
El análisis se desarrolló en tres momentos sucesivos. En primer lugar, se realizó una lectura comparativa de los 21 estudios para reconocer temas recurrentes, objetos de análisis, unidades de discusión y formas de abordaje del fenómeno. En segundo lugar, se efectuó una codificación temática de carácter predominantemente inductivo, orientada a identificar patrones, tensiones y núcleos problemáticos presentes en el corpus. En tercer lugar, los códigos obtenidos se agruparon en categorías analíticas más amplias mediante contraste entre investigadores, hasta consolidar los ejes finales de síntesis.
A partir de este proceso se definieron cuatro ejes sustantivos de resultados:
integración pedagógica de la IA generativa, agencia estudiantil y literacidad crítica, ética, autoría y transparencia académica, y evaluación académica en contextos de IA. De manera complementaria, y solo para efectos de síntesis global, se incorporó un quinto eje transversal referido al panorama general y las transformaciones del campo, presentado en la Tabla 1 como categoría de integración general y no como bloque autónomo de resultados. Transparencia metodológica y anexos
Con el fin de preservar la fluidez expositiva del manuscrito principal, los detalles ampliados de las ecuaciones de búsqueda, la organización del corpus y la matriz de síntesis se presentan en los anexos. Esta decisión responde a un criterio de economía textual y no a una omisión metodológica, ya que los procedimientos de búsqueda, selección, valoración y extracción fueron registrados de manera explícita y trazable a lo largo del proceso analítico.
Tabla 1.
Síntesis analítica de la evidencia revisada sobre inteligencia artificial generativa y escritura académica en educación superior
|
Eje temático |
Foco de análisis |
Tendencias identificadas en la literatura |
Implicaciones para la educación superior |
|
Integración pedagógica de la IA generativa |
Uso de herramientas como ChatGPT, Gemini y sistemas de retroalimentación en procesos de planificación, redacción, revisión y acompañamiento |
La IA puede favorecer la organización de ideas, la mejora lingüística y la retroalimentación formativa cuando se incorpora con orientación didáctica explícita. Su utilidad aumenta en contextos de acompañamiento docente y tareas guiadas. |
La incorporación de IA no debe ser solo tecnológica, sino pedagógica. Se requiere diseñar actividades con propósitos claros, mediación docente y criterios de uso explícitos. |
|
Agencia estudiantil y literacidad crítica |
Relación entre apoyo automatizado, autonomía, pensamiento crítico y desarrollo de competencias escritoras |
La literatura muestra que la IA puede incrementar la percepción de apoyo, autonomía y confianza; sin embargo, no garantiza por sí sola profundidad analítica, reflexividad ni calidad argumentativa. |
Es necesario formar al estudiantado en uso crítico de la IA, promoviendo revisión reflexiva, toma de decisiones y construcción de voz propia. |
|
Ética, autoría y transparencia académica |
Riesgos asociados con integridad académica, autoría, dependencia cognitiva, homogeneización discursiva y opacidad en el uso de IA |
Los estudios advierten tensiones respecto de la autenticidad del texto, la preservación de la voz autoral, la atribución de responsabilidades y la transparencia sobre el uso de herramientas generativas. |
Las instituciones deben desarrollar lineamientos claros sobre uso permitido, declaración de apoyo de IA y criterios éticos para evitar ambigüedad normativa. |
|
Evaluación académica en contextos de IA |
Cambios requeridos en evaluación de la escritura cuando |
La evaluación centrada únicamente en el producto final pierde |
Se recomienda rediseñar la evaluación de la |
|
|
intervienen herramientas generativas |
validez en contextos de escritura asistida por IA. Se refuerza la necesidad de valorar procesos, decisiones, borradores, interacción y reflexión metacognitiva. |
escritura hacia enfoques procesuales, multimodales y transparentes, con énfasis en trazabilidad y juicio crítico. |
|
Panorama general y transformaciones del campo |
Expansión del uso de IA generativa en educación superior y consolidación de una agenda emergente de investigación |
La evidencia reciente coincide en que la IA generativa está reconfigurando rápidamente las prácticas de escritura académica, con beneficios potenciales y riesgos todavía en discusión. |
El campo exige investigación continua, formación docente, actualización normativa y modelos pedagógicos que integren innovación con responsabilidad académica. |
Nota. Síntesis elaborada a partir de los 21 estudios incluidos en la revisión integrativa, organizados en cinco ejes analíticos recurrentes.
RESULTADOS
El corpus analizado quedó conformado por 21 estudios publicados entre 2022 y marzo de 2026, centrados en el uso de inteligencia artificial generativa en la escritura académica en educación superior. La revisión muestra un campo en rápida expansión, con predominio de investigaciones recientes orientadas a comprender usos pedagógicos, percepciones estudiantiles, retroalimentación automatizada, tensiones éticas y transformaciones en la evaluación. En términos metodológicos, el conjunto incluye estudios empíricos, revisiones narrativas e integradoras, análisis conceptuales y propuestas aplicadas, lo que confirma la heterogeneidad del campo y justifica una aproximación de revisión integrativa.
De manera transversal, los estudios coinciden en que la IA generativa no opera únicamente como una herramienta técnica de apoyo textual, sino como una mediación sociotécnica que incide en la planificación, la revisión, la autoría y la validación del texto académico. No obstante, la evidencia también muestra una tensión persistente: mientras algunos trabajos destacan su potencial para fortalecer la escritura cuando existe mediación pedagógica, otros advierten riesgos de dependencia, homogeneización discursiva y debilitamiento de la agencia intelectual.
Del análisis temático del corpus emergieron cuatro ejes sustantivos de resultados: integración pedagógica de la IA generativa, agencia estudiantil y literacidad crítica, ética, autoría y transparencia académica, y evaluación académica en contextos de IA. Adicionalmente, con fines de síntesis global, la Tabla 1 incorpora un quinto eje transversal, denominado panorama general y transformaciones del campo, que resume tendencias amplias observadas en el conjunto de los estudios revisados.
Integración pedagógica de la IA generativa en la escritura académica
El corpus revisado sugiere que el valor educativo de la IA generativa depende menos de la herramienta en sí misma que de las condiciones pedagógicas de su incorporación. Este patrón se observa con claridad en estudios de intervención y análisis aplicados que reportan mejores resultados cuando la IA se integra en secuencias didácticas explícitas, con objetivos de aprendizaje definidos, acompañamiento docente y criterios claros de uso. En estos contextos, la IA puede apoyar la organización textual, la revisión de borradores, la estructuración macrotextual y la retroalimentación formativa, especialmente en procesos de enseñanza de la escritura académica (Yang et al., 2025; Kawinkoonlasate, 2025; Carter et al., 2025; Li & Collins, 2026).
Sin embargo, la evidencia del corpus también muestra que, cuando su uso carece de orientación pedagógica, la herramienta tiende a reducirse a funciones correctivas o superficiales. En este sentido, los hallazgos de Li y Collins (2026), Lo et al. (2026) y Palacios-Núñez et al. (2025) indican que la rapidez, la claridad y la disponibilidad del feedback automatizado no sustituyen la retroalimentación situada ni garantizan, por sí solas, procesos de escritura más reflexivos. En conjunto, estos estudios muestran una diferencia recurrente entre usos pedagógicamente integrados de la IA y usos de carácter predominantemente correctivo o remedial (Li & Collins, 2026; Lo et al., 2026; Palacios-Núñez et al., 2025).
Agencia estudiantil y literacidad crítica
Un segundo eje del corpus muestra que la interacción entre estudiante e IA generativa no puede entenderse como una sustitución automática de la autoría humana. Los estudios incluidos coinciden en que la agencia del estudiante sigue siendo decisiva para interpretar, aceptar, modificar o rechazar las sugerencias generadas por la herramienta. Este hallazgo aparece con claridad en Alyasin y Shah (2026), quienes presentan la relación humano-IA como una práctica mediada social y culturalmente, y se ve reforzado por trabajos que reportan percepciones de autonomía, empoderamiento y confianza en la escritura asistida por IA (Moorhouse et al., 2025; Pum, 2026).
No obstante, el corpus también advierte que esa agencia no siempre se ejerce de manera crítica. Yan et al. (2025) plantean que la alfabetización en IA debe entenderse como una competencia en desarrollo progresivo, mientras que Stanko et al. (2026) subrayan la necesidad de una literacidad crítica específicamente orientada al uso reflexivo y ético de estas herramientas. En la misma línea, Stofiana et al. (2025) advierten que la IA puede facilitar la producción textual y, al mismo tiempo, generar vacíos metacognitivos y debilitar la calidad argumentativa profunda. En conjunto, estos estudios sostienen que la agencia estudiantil no debe reducirse a la mera capacidad de uso, sino ampliarse hacia un juicio crítico sobre la pertinencia, los sesgos, los límites y los efectos cognitivos de la mediación algorítmica.
Ética, autoría y transparencia
El tercer eje evidencia que el debate ético del corpus ya no se concentra únicamente en el plagio, sino en problemas más amplios de autoría distribuida, responsabilidad intelectual y transparencia en la producción escrita. Al Hosni (2025) identifica tensiones entre el apoyo a la escritura y la preservación de la voz autoral, mientras que Wu et al. (2026) muestran que el uso de IA en la escritura para publicación introduce beneficios prácticos, pero también dilemas sobre legitimidad y atribución de autoría. Desde otra perspectiva, Oliveira et al. (2025) aporta un marco conceptual útil para pensar estas interacciones como procesos complejos de aprendizaje y mediación, y no solo como un uso instrumental de herramientas.
Asimismo, varios estudios del corpus subrayan que la ausencia de lineamientos institucionales claros incrementa la ambigüedad normativa. Smit et al. (2025) advierten que la falta de regulación puede generar riesgos morales y prácticas académicas problemáticas, mientras que Palacios-Núñez et al. (2025) muestran que el profesorado percibe simultáneamente oportunidades pedagógicas y desafíos éticos y evaluativos. En conjunto, estos hallazgos sugieren que la dimensión ética no se resuelve mediante prohibiciones generales, sino a través de políticas explícitas, criterios de transparencia y procesos de formación institucional orientados a un uso académicamente responsable de la IA generativa (Smit et al., 2025; Palacios-Núñez et al., 2025).
Desafíos para la evaluación académica
El cuarto eje del corpus muestra que la incorporación de la IA generativa tensiona especialmente los modelos de evaluación centrados exclusivamente en el producto final. Li y Collins (2026) y Lo et al. (2026) muestran que la IA puede intervenir de manera eficiente en procesos de revisión y retroalimentación, aunque con limitaciones en contextualización, interpretación y sensibilidad retórica. Esto sugiere que el texto final ya no basta como única evidencia del aprendizaje, especialmente cuando parte del proceso de escritura puede estar mediado por sistemas generativos.
A ello se suma que Palacios-Núñez et al. (2025) identifican preocupaciones docentes vinculadas con la regulación, la ética y la evaluación, mientras que Singh et al. (2026) sintetizan retos y prácticas emergentes que obligan a repensar los criterios de validación del trabajo académico. Complementariamente, Oliveira et al. (2025) aporta un marco conceptual para analizar la interacción educativa con IA desde una perspectiva más amplia. En conjunto, estos trabajos sugieren que la evaluación académica necesita desplazarse hacia enfoques más procesuales, reflexivos y formativos, capaces de valorar no solo el producto escrito, sino también las decisiones, mediaciones y justificaciones que intervienen en su elaboración (Palacios-Núñez et al., 2025; Singh et al., 2026; Oliveira et al., 2025).
Vacíos identificados en la literatura
Finalmente, la síntesis del corpus permite reconocer varias limitaciones recurrentes en la investigación disponible. Predominan estudios transversales, contextos asociados a inglés como lengua extranjera, diseños centrados en percepciones y trabajos enfocados en dimensiones aisladas del fenómeno. En contraste, siguen siendo escasos los estudios longitudinales, comparativos, disciplinares y aquellos que articulan simultáneamente pedagogía, ética, agencia y evaluación en modelos interpretativos integrados. Este hallazgo refuerza la necesidad de avanzar hacia marcos más complejos para comprender la escritura académica mediada por IA en educación superior.
DISCUSIÓN
La revisión realizada permite sostener que la inteligencia artificial generativa ocupa ya un lugar significativo en las prácticas de escritura académica en la educación superior. No se trata de una innovación periférica ni de un fenómeno pasajero, sino de una mediación sociotécnica que está reconfigurando los tiempos, las expectativas y los criterios con los que se produce, acompaña y evalúa la escritura universitaria. No obstante, reducir este proceso a una cuestión de eficiencia técnica sería insuficiente. La misma herramienta que agiliza la planificación, la revisión o la corrección lingüística puede también modificar la relación del estudiante con el esfuerzo cognitivo, la toma de decisiones, la autoría y el sentido formativo de la escritura.
Una de las contribuciones más relevantes del corpus analizado consiste en mostrar que la cuestión central no radica en la eficacia operativa de la IA, sino en el tipo de aprendizaje que esta favorece. La mejora formal de un texto no constituye, por sí sola, evidencia de una comprensión más profunda, de una elaboración conceptual más robusta o de una mayor capacidad argumentativa. Por el contrario, varios estudios sugieren que una mayor corrección gramatical puede coexistir con argumentaciones más débiles, una voz autoral atenuada y una menor problematización de las decisiones escriturales (Al Hosni, 2025; Stofiana et al., 2025). Este hallazgo obliga a matizar los enfoques tecnocéntricos que tienden a equiparar calidad textual con calidad intelectual, y refuerza la necesidad de comprender la escritura académica no solo como producto, sino como práctica de construcción de pensamiento.
En esta misma línea, la revisión pone de relieve que la agencia estudiantil en contextos mediados por IA debe entenderse en términos relacionales y no absolutos. La literatura muestra que muchos estudiantes perciben estas herramientas como apoyos que amplían su autonomía, reducen la inseguridad frente a la página en blanco y facilitan la resolución de problemas de escritura. Sin embargo, dicha ampliación de la autonomía es ambivalente. Cuando la IA se utiliza para explorar alternativas, contrastar versiones, ensayar formulaciones y justificar decisiones, puede fortalecer la autorregulación, la reflexión metacognitiva y la conciencia sobre el propio proceso de escritura. En cambio, cuando se emplea para delegar la organización del texto, el tono discursivo o el desarrollo argumentativo, tiende a reducir la fricción cognitiva que convierte a la escritura académica en una práctica genuinamente formativa (Moorhouse et al., 2025; Yan et al., 2025).
La cuestión, por tanto, no es simplemente cuánto interviene la herramienta, sino cómo, para qué y en qué condiciones pedagógicas se incorpora en el proceso de escribir. Otro hallazgo relevante es que el problema ético no puede abordarse mediante esquemas binarios. La oposición entre uso permitido y uso prohibido resulta analíticamente insuficiente en un escenario donde la asistencia algorítmica adopta formas graduales, situadas y heterogéneas. La revisión sugiere que el verdadero desafío consiste en distinguir entre apoyo legítimo, coautoría invisible, delegación excesiva y fraude deliberado, categorías que no siempre presentan fronteras nítidas y cuya interpretación depende del género discursivo, del propósito de la tarea, del nivel formativo y del tipo de intervención realizada por la herramienta. En este contexto, la respuesta institucional no debería limitarse a la prohibición o a la vigilancia, sino orientarse hacia la construcción de criterios más claros, procesos de alfabetización ética y marcos pedagógicos que permitan un uso transparente, responsable y académicamente justificable de la IA en la escritura universitaria (Smit et al., 2025; Wu et al., 2026).
En materia de evaluación, la revisión confirma que el desplazamiento hacia enfoques centrados en el proceso resulta cada vez más necesario. Sin embargo, este giro no debe asumirse como una solución automática ni como una consigna metodológica exenta de dificultades. Evaluar procesos supone contar con evidencia trazable, tiempos de acompañamiento, formación docente y criterios compartidos que permitan interpretar con rigor las interacciones entre estudiantes y sistemas generativos, sin convertir dicha trazabilidad en un nuevo formalismo burocrático. En otras palabras, la promesa de una evaluación más auténtica y pedagógicamente rica no se concretará por la sola presencia de nuevas herramientas o por la mera modificación del objeto evaluado. Su viabilidad dependerá de la capacidad institucional para rediseñar prácticas de evaluación con sentido pedagógico, consistencia metodológica y sostenibilidad organizativa.
En conjunto, los hallazgos revisados permiten afirmar que la incorporación de la inteligencia artificial generativa en la escritura académica universitaria no plantea únicamente un problema tecnológico, sino una transformación más profunda de las condiciones bajo las cuales se aprende a escribir, se construye la autoría y se valida el trabajo intelectual. Desde esta perspectiva, el debate no debería centrarse exclusivamente en si la IA mejora o perjudica la escritura, sino en qué concepción de aprendizaje, de mediación pedagógica y de responsabilidad académica se está promoviendo mediante su integración. Esta discusión exige, por tanto, desplazar la mirada desde la herramienta hacia las prácticas, los criterios y las decisiones formativas que organizan su uso en la educación superior.
El presente estudio también presenta limitaciones que conviene reconocer para no sobredimensionar sus hallazgos. Predominan estudios transversales, contextos EFL y diseños basados en autopercepción, mientras persisten vacíos importantes en investigaciones longitudinales, comparativas y disciplinares. Asimismo, la producción científica avanza con frecuencia por líneas relativamente desconectadas, de modo que los hallazgos sobre mejora textual, ética, agencia y evaluación no siempre convergen en modelos interpretativos integrados (Deep & Chen, 2025; Sanz-Tejeda et al., 2026). Esta fragmentación limita la consolidación teórica del campo y dificulta la traducción de la evidencia en orientaciones pedagógicas y políticas institucionales coherentes.
En conjunto, la literatura permite sostener una posición equilibrada, aunque exigente. La inteligencia artificial generativa no debe entenderse ni como una amenaza absoluta ni como una solución pedagógica automática. Su incorporación a la escritura académica requiere una mirada crítica capaz de reconocer, al mismo tiempo, su potencial para ampliar apoyos y sus riesgos de trivializar procesos cognitivos, estandarizar la expresión y desdibujar responsabilidades intelectuales. En ese sentido, la tarea de la universidad no consiste en optar entre adopción o rechazo, sino en construir condiciones para un uso reflexivo, situado y epistemológicamente responsable.
A partir de los hallazgos revisados, futuras investigaciones deberían avanzar en cuatro direcciones principales. En primer lugar, se requieren estudios que profundicen en los marcos conceptuales capaces de explicar la relación entre escritura académica, agencia estudiantil y mediación sociotécnica en contextos de IA generativa. En segundo lugar, conviene desarrollar diseños longitudinales y comparativos que permitan observar cambios en las prácticas de escritura, retroalimentación y evaluación entre disciplinas, niveles formativos e instituciones. En tercer lugar, resulta necesario fortalecer la investigación sobre evaluación académica en entornos híbridos de autoría, especialmente en lo referido a criterios de transparencia, trazabilidad del proceso de escritura y uso pedagógico de la retroalimentación asistida por IA. Finalmente, será importante analizar cómo las políticas institucionales, la formación docente y las condiciones de acceso influyen en la adopción crítica y equitativa de estas herramientas en la educación superior.
CONCLUSIONES
La evidencia revisada indica que la inteligencia artificial generativa ya forma parte de las prácticas de escritura académica en educación superior y que su incorporación está modificando no solo los modos de producir textos, sino también los criterios con los que se enseña, acompañan y evalúa la escritura universitaria. Los estudios analizados muestran efectos favorables en tareas como la organización de ideas, la revisión lingüística, la claridad expositiva y la retroalimentación inmediata; sin embargo, tales beneficios no pueden interpretarse de manera aislada del contexto pedagógico en que estas herramientas se utilizan. Más que una innovación meramente técnica, la IA generativa introduce un cambio en las condiciones de mediación del aprendizaje escrito.
La revisión también evidencia que sus aportes conviven con riesgos relevantes. Entre ellos destacan la dependencia excesiva de sistemas automatizados, la uniformización del discurso, la disminución de la elaboración propia y las tensiones en torno a la autoría, la transparencia y la integridad académica. Por ello, el debate universitario no debería centrarse en una oposición simplista entre permitir o prohibir, sino en definir criterios de uso situados, explícitos y formativamente justificados. La cuestión principal no es la presencia de la herramienta, sino la calidad de las decisiones pedagógicas, éticas e institucionales que orientan su empleo.
Uno de los hallazgos centrales del estudio es que la escritura académica asistida por IA exige una comprensión integrada de dimensiones que a menudo se analizan por separado: enseñanza de la escritura, agencia estudiantil, evaluación, regulación institucional e inclusión. Desde esta perspectiva, la IA generativa no puede ser abordada únicamente como soporte para redactar mejor, sino como un factor que interviene en la construcción del razonamiento, en la relación del estudiante con su texto y en la forma en que la universidad define qué entiende por aprendizaje auténtico. En consecuencia, su incorporación responsable requiere marcos pedagógicos claros, alfabetización crítica en IA y criterios evaluativos que valoren no solo el producto final, sino también el proceso de elaboración, revisión y toma de decisiones del estudiante.
En suma, esta revisión integrativa muestra que el potencial educativo de la IA generativa en la escritura académica no depende solo de la disponibilidad de la herramienta, sino de las condiciones pedagógicas, éticas y evaluativas que orientan su uso. Su incorporación responsable exige alfabetización crítica, criterios institucionales claros y modelos de evaluación capaces de valorar procesos de escritura, toma de decisiones y autoría reflexiva.
REFERENCIAS
Al Hosni, J. (2025). Preserving authorial voice in academic texts in the age of generative AI: A thematic literature review. Arab World English Journal, 16(3), 244–258. https://doi.org/10.24093/awej/vol16no3.14
Alyasin, A., & Shah, M. A. (2026). Human-AI collaboration in academic writing: Exploring university students’ agency through a sociocultural lens. Ampersand, 16, 100256. https://doi.org/10.1016/j.amper.2026.100256
Anwer, B. (2026). Trust in ChatGPT and perceived academic writing improvement: A
TAM-based quantitative study in a ESL context. International Journal of
Technology in Education and Science, 10(1), 162–177. https://doi.org/10.46328/ijtes.5282
Carter, J., Ferrey, A., Lam, H., Webb-Davies, K., Young, D., Zonta, B., & O’Rourke, D. (2025). Case study: Creating an ‘AI for Academic Writing Skills’ induction session for postgraduate life science courses. Emerging Topics in Life Sciences, 9(4), ETLS20253026. https://doi.org/10.1042/ETLS20253026
Cassany, D. (2024). (Enseñar a) leer y escribir con inteligencias artificiales generativas: reflexiones, oportunidades y retos. Enunciación, 29(2), 320–336. https://doi.org/10.14483/22486798.22891
Chafloque-Capuñay, J. E., Sánchez-Luján, B. I., Juárez-Jiménez, V. B., CoronadoPorta, C. T., Solano-Leandro, K., Rodríguez-Hoyos, J. J., Hernández-García, E. D., Avalos-Marquez, M. H., Díaz-Meléndez, E. del C., Reséndiz-Cedillo, A., Carrillo-Atahualpa, R. L., & Chafloque-Capuñay, F. (2026). La revisión integrativa: Guía práctica: Metodología, IA y estrategias para la publicación académica. Arco Editores. https://doi.org/10.48209/978-65-5417-641-5
Chigbu, U. E., Atiku, S. O., & du Plessis, C. C. (2023). The science of literature reviews: Searching, identifying, selecting, and synthesising. Publications, 11(1), 2. https://doi.org/10.3390/publications11010002
Deep, P. D., & Chen, Y. (2025). The role of AI in academic writing: Impacts on writing skills, critical thinking, and integrity in higher education. Societies, 15(9), 247.
https://doi.org/10.3390/soc15090247
Kawinkoonlasate, P. (2025). A comparative study of Google Gemini and ChatGPT in enhancing English language learning for EFL learners: A case study of the English research writing course. Pedagogical Research, 10(4), em0251. https://doi.org/10.29333/pr/17670
Lee, C. C., & Low, M. Y. H. (2024). Using genAI in education: the case for critical thinking. Frontiers in Artificial Intelligence, 7, 1452131. https://doi.org/10.3389/frai.2024.1452131
Li, A. W., & Collins, P. (2026). Formative feedback across sources: Student perceptions and writing outcomes with instructor, peer, and AI-generated feedback. Reading and Writing. https://doi.org/10.1007/s11145-026-10761-0
Lo, J., Wong, C., Ng, A., Wong, P., Cheung, D., & Lai, P. (2026). Stretching AI’s reach: Assessing an AI-driven feedback system for extended academic writing. Computers and Education: Artificial Intelligence, 10, 100511. https://doi.org/10.1016/j.caeai.2025.100511
McGrath, C., Farazouli, A., & Cerratto-Pargman, T. (2025). Generative AI chatbots in higher education: A review of an emerging research area. Higher Education, 89, 1533–1549. https://doi.org/10.1007/s10734-024-01288-w
Mohammadi, E., Thelwall, M., Cai, Y., Collier, T., Tahamtan, I., & Eftekhar, A. (2026). Is generative AI reshaping academic practices worldwide? A survey of adoption, benefits, and concerns. Information Processing & Management, 63(1), 104350. https://doi.org/10.1016/j.ipm.2025.104350
Moorhouse, B. L., Wan, Y., Wu, C., Wu, M., & Ho, T. Y. (2025). Generative AI tools and empowerment in L2 academic writing. System, 133, 103779.
https://doi.org/10.1016/j.system.2025.103779
Oliveira, M., Zednik, C., Bombaerts, G., Sadowski, B., & Conijn, R. (2025). Assessing students’ DRIVE: A framework to evaluate learning through interactions with generative AI. Computers and Education: Artificial Intelligence, 9, 100497. https://doi.org/10.1016/j.caeai.2025.100497
Palacios-Núñez, M. L., Mendoza-García, E. M., Narciso-Zarate, J. W., & DeronceleAcosta, A. (2025). ChatGPT in the teaching of academic writing in higher education: Teachers’ perspectives on its uses, challenges, and future in personalized learning. Edutec. Revista Electrónica de Tecnología Educativa, 93, 33–51. https://doi.org/10.21556/edutec.2025.93.3995
Pum, M. (2026). The perceived impact of AI-assisted writing tools on writing autonomy, confidence, and creativity among Cambodian first-year university students: A quantitative study. SAGE Open, 16(1), 1-13.
https://doi.org/10.1177/21582440251415304
Sánchez-Mendiola, M., & Carbajal-Degante, E. (2023). La inteligencia artificial generativa y la educación universitaria: ¿Salió el genio de la lámpara? Perfiles
Educativos, 45(Especial), 70–86.
https://doi.org/10.22201/iisue.24486167e.2023.Especial.61692
Sánchez, N. E., Michay, G. C., & Calderón, J. V. (2025). Inteligencia artificial generativa en educación superior: una revisión sistemática de literatura hispanohablante. Espacios, 46(6), 14–25. https://doi.org/10.48082/espacios-a25v46n06p02
Sanz-Tejeda, A., Domínguez-Oller, J. C., Baldaquí-Escandell, J. M., Gómez-Díaz, R., &
García-Rodríguez, A. (2026). The impact of generative AI on academic reading
and writing: A synthesis of recent evidence (2023–2025). Frontiers in Education,
10, 1711718. https://doi.org/10.3389/feduc.2025.1711718
Singh, R. K. V., Hashim, H., Jamaludin, K. A., & Jamil, M. R. M. (2026). Assessing AIsupported English academic writing in higher education: A narrative review of challenges, emerging practices, and prospective strategies. Arab World English Journal (AWEJ) Special Issue on Artificial Intelligence, 3, 436–551. https://doi.org/10.24093/awej/A3.28
Smit, M., Wagner, R. F., & Bond-Barnard, T. J. (2025). Ambiguous regulations for dealing with AI in higher education can lead to moral hazards among students.
Project Leadership and Society, 6, 100187. https://doi.org/10.1016/j.plas.2025.100187
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039
Stanko, D., Kolegaeva, I., & Rohach, L. (2026). Developing critical AI literacy in academic writing classrooms. Arab World English Journal (AWEJ) Special Issue on Artificial Intelligence, 3, 41–54. https://doi.org/10.24093/awej/AI3.3
Stofiana, T., Sunendar, D., Mulyati, Y., & Sastromiharjo, A. (2025). Writing with AI, thinking with Toulmin: Metacognitive gaps and the rhetorical limits of argumentation. Ampersand, 15, 100242.
https://doi.org/10.1016/j.amper.2025.100242
Whittemore, R., & Knafl, K. (2005). The integrative review: Updated methodology.
Journal of Advanced Nursing, 52(5), 546-553. https://doi.org/10.1111/j.13652648.2005.03621.x
Wu, C., Moorhouse, B. L., Wan, Y., & Wu, M. (2026). Exploring PhD students’ utilization of generative AI in academic writing for publication purposes: Insights for EAP.
Journal of English for Academic Purposes, 79, 101612. https://doi.org/10.1016/j.jeap.2025.101612
Xia, Q., Weng, X., Ouyang, F., Lin, T. J., & Chiu, T. K. F. (2024). A scoping review on how generative artificial intelligence transforms assessment in higher education. International Journal of Educational Technology in Higher Education, 21(1), 40. https://doi.org/10.1186/s41239-024-00468-z
Yan, W., Nakajima, T., & Sawada, R. (2025). Beyond tool use: Tracking the evolution of generative AI literacy among university students through a process-oriented investigation. Computers and Education: Artificial Intelligence, 9, 100465. https://doi.org/10.1016/j.caeai.2025.100465
Yang, Y., Huang, L., Lin, W., Li, Y., Xu, Y., & Cheng, L. (2025). Enhancing sustainable English writing instruction through a generative AI-based virtual teacher within a co-regulated learning framework. Sustainability, 17(19), Article 8770.
https://doi.org/10.3390/su17198770